基于參考點的逐日交通流演化研究

婁路，孫會君

(北京交通大學交通運輸學院,北京 100044)

出行者逐日的路徑選擇行為受到許多因素的影響，導致路網中的流量動態變化。本文研究如何更合理地描述出行者逐日的路徑選擇行為，反映不同的因素對路網流量演化的影響。用戶均衡原則(UE)是交通流分配問題研究的核心[1]，但是均衡模型只關注最終的均衡狀態，不能用來描述達到最終均衡狀態的流量演化過程。逐日交通流演化模型可以用來描述流量的逐日演化過程，其主要優點是具有靈活性，能夠在一個統一的框架內結合各種不同集計水平的出行者的出行選擇規則及各種交通方式[2]。連續的逐日動態配流模型用微分方程描述交通狀態的演化，但是存在兩個問題[2]:一是假設出行者的路徑調整過程是在連續時間內完成的，而實際的路徑調整需要一定的時間間隔；二是假設出行者是均質的，需要借助其他的模型進行流量分配。因此，離散的逐日動態配流模型更適用于描述交通流的演化過程。

許多因素會影響出行者的估計時間，估計時間又會影響路徑選擇。Shang等[3]使用滲透理論描述了出行者分組共享出行信息情況下的逐日交通流演化過程。Wei等[4]在考慮出行者間隨機的相互作用的條件下，模擬了出行者的逐日路徑調整過程。劉詩序等[5]研究了彈性需求下的動態交通流逐日演化過程。Jiang等[6]根據出行經驗，使用不同的方法計算估計時間，據此研究流量演化過程。Zhao等[7]考慮有些出行是間隔幾天發生一次，據此建立了考慮經驗延遲的逐日交通流演化模型。

在關于參考點的研究中，參考點主要分為外生和內生兩類，外生的參考點通常是一個固定值，一般選取出行者的平均出行時間；內生的參考點作為一個變量，取決于交通網絡的狀態[8-9]。Gao等[10]認為參考點應該是隨出行情景變化的，且不同的出行者參考點不同。張揚等[11]通過調查研究發現出行者的出發時間和路徑選擇存在參考點依賴。

大部分的逐日交通流演化研究只關注實際的出行經驗對路徑選擇的影響，較少考慮出行者心理參考值對路徑選擇的影響。徐紅利等[12]考慮出行者擇路過程中的參考點依賴特性，將預留出行時間作為參考點，根據累積前景理論的路徑選擇決策機制，建立了逐日交通流動態演化模型，但是需要借助外界工具進行復雜的運算。此外，少有研究者關注考慮參考點影響條件下的交通流動態演化，以及出行者的感受對路徑選擇的影響。但是，出行者估計路徑時間的過程中，不同心態的出行者確實會參考不同的標準進行比較，與不同的標準進行比較，出行者會產生不同的感受，這種感受會影響出行者的路徑選擇行為，即出行者的心態和感受對路徑選擇會產生影響。

本文中出行者根據實際出行經歷產生的關于路徑時間的心理參考值，其取值方法會因出行者心態不同而不同。參考點的取值隨實際出行時間變化，反映了出行者心理參考點隨出行情景的變化而變化。文中建立了基于參考點的逐日交通流動態演化模型，此模型考慮了心理參考值和出行者對待獲得和損失的風險態度對路徑選擇的影響，可以更合理地描述現實中出行者的感受對路網流量演化的影響。

1 基于參考點的逐日交通流演化模型

逐日交通流演化模型用來描述路徑流量的逐日演化過程。出行者根據之前的實際出行時間和心理參考值估計各個路徑時間，據此進行路徑選擇；出行者每一天的路徑選擇又會影響各路徑上的流量和實際出行時間。

出行者估計路徑時間的過程中，內心存在參考、比較的標準。出行者不僅會考慮上一天的實際出行時間，還會將上一天的實際出行時間和內心的參考標準進行比較。通過比較得出的偏離程度值會影響出行者的感受，進而影響路徑選擇決策。出行者的感受可以分為收益和損失兩種情況，對損失的規避程度往往大于對相同收益的偏好程度。其中，參考點取值方法隨出行者心態而變化，在出行者比較樂觀的情況下，參考點取上一天實際出行時間的最大值；在出行者比較悲觀的情況下，參考點取上一天實際出行時間的最小值。

1.1 路徑走行時間估計模型

日常出行是一個參與者眾多的動態學習與博弈過程。在重復的路徑選擇過程中，出行者不斷積累經驗，及時調整參考點取值及路徑選擇決策。出行者根據上一天的估計時間、實際時間和實際時間相對于參考點的偏離程度估計下一天各個路徑的出行時間，然后根據對各個路徑的估計時間選擇路徑。本文將出行者比較之后的感受作為影響路徑選擇的因素之一，建立基于參考點的估計時間模型，如式(1)所示。

(1)

1.2 參考點模型

參考點是出行者估計路徑時間過程中用來參考、比較的標準。不僅實際出行經驗，出行者自身的心態也會影響參考點的取值。本文依次研究了樂觀型、悲觀型以及中立型出行者，分別對應的參考點取值，及其對路網流量演化過程。

(2)

(3)

(4)

其中，Krs表示OD對rs間所有路徑的集合,krs是OD對rs間所有路徑的條數。在出行者比較悲觀的情況下，總是只能看到事物消極的一面，只要存在比出行者決策更優的選擇，都會使其感覺自身的路徑選擇決策是非常糟糕的。也就是說，出行者會將自身的實際出行時間與上一天所有路徑出行時間中的最小值比較，如果實際出行時間比最短時間長，出行者就會認為自身上一天的路徑選擇決策非常失敗，感覺選擇此路徑遭受了損失。所以在出行者比較悲觀的情況下，參考點取值為上一天所有路徑出行時間最小值，如式(2)所示。

在出行者比較樂觀的情況下，總是能看到事物積極的一面，總是感覺自己的決策是帶來收益的。所以會將自己的實際出行情況與最差的出行情況比較，只要比最差的情況好，出行者就感覺上一天的路徑選擇決策是成功的，即會將自己的實際出行時間與最長的出行時間比較，如果上一天的實際時間小于這個最大值，出行者就感覺選擇這條路徑獲得收益。所以在出行者比較樂觀的情況下，參考點取值為上一天所有路徑出行時間最大值，如式(3)所示。

第三種情況出行者中立，用來描述出行者既不偏向樂觀，也不偏向悲觀，而是將上一天實際出行時間的平均值作為參考、比較的標準時，只要上一天的實際出行時間比平均值小，出行者就感覺上一天的路徑選擇決策帶來收益。這種情況對應的參考點取值如式(4)所示。

1.3 路徑選擇行為

(5)

(6)

(7)

(8)

(9)

1.4 算法

基于參考點的流量逐日演化過程的模擬步驟為：

第四步：分情況討論，不同情況分別按照式(2)、式(3)、式(4)計算參考點取值；

2 算例分析

圖1 路網圖Fig.1 Network graph

(10)

(11)

表1 路段參數取值Table 1 Parameter value of links

2.1 δ1和δ2取值對流量演化結果的影響

這部分通過模擬研究當參數δ1和δ2取不同值時，出行者樂觀、悲觀以及中立情況分別對應的流量和系統總時間的演化過程。模擬過程中其他參數取值保持不變，且α=0.9。參考點取值不同，即當實際出行時間相同，但實際出行使人產生的感受不同；對損失的風險規避態度δ1和對獲得的風險偏好態度δ2不同，表示出行者的感受對路徑估計影響的權重不同。其中，圖2為了更清晰地顯示縱坐標對應的系統總時間取值，將縱坐標取值范圍定為[5×104,6.5×104]之間。

圖2 δ1=0.5，δ2=0.4時系統總時間演化圖 Fig.2 Evolution diagram of total travel time when δ1=0.5，δ2=0.4

圖3 δ1=0.5，δ2=0.4時路徑1上流量演化圖Fig.3 Flow evolution diagram of route 1 when δ1=0.5，δ2=0.4

圖2和圖3為當參數取值為δ1=0.5，δ2=0.4時，分別對應的系統總時間以及路徑1上流量演化情況，圖4和圖5為當參數取值為δ1=0.6，δ2=0.3時，分別對應的系統總時間以及路徑1上流量演化情況， 圖6和圖7為當參數取值為δ1=0.9，δ2=0.2時，分別對應的系統總時間以及路徑1上流量演化情況。從模擬結果可以看出，當δ1和δ2間取值差距增加，三種不同情況分別對應的系統總時間之間的差距增加，路徑1上的流量值之間差距增加。在出行者為比較悲觀的情況下，對應的系統總時間最大。在出行者為比較樂觀的情況下，系統總時間最小。

演化結果表明，把出行者的感受作為路徑估計時間的影響因素之一，出行者在不同的心態情況下，對應的參考點取值方法不同，且δ1和δ2表示的權重取值不同，都會影響系統總時間以及路徑上流量的演化結果。

圖4 δ1=0.6，δ2=0.3時系統總時間演化圖Fig.4 Evolution diagram of total travel time when δ1=0.6，δ2=0.3

圖5 δ1=0.6，δ2=0.3時路徑1上流量演化圖 Fig.5 Flow evolution diagram of route 1 when δ1=0.6，δ2=0.3

圖7 δ1=0.9，δ2=0.2時路徑1上流量演化圖Fig.7 Flow evolution diagram of route 1 whenδ1=0.9，δ2=0.2

3 結論

本文建立了基于參考點的逐日交通流演化模型，描述了出行者的感受和心態對路徑選擇和系統總時間的影響。模型反映了出行者對損失的規避大于對獲得的偏好。分情況模擬了出行者比較樂觀情況、出行者比較悲觀情況以及出行者中立的情況下，路徑流量和系統總時間演化過程。演化結果表明，出行者悲觀情況下對應的系統總時間最大，樂觀情況下對應的系統總時間最小。但是，本文只是從模擬演化的角度分析出行者的感受對路徑流量及系統總時間的演化影響，沒有從理論上證明模型均衡狀態的存在性、唯一性以及穩定性，這些問題尚需在今后的工作中進一步地研究。

[1]WARDROP J G. Road paper. Some theoretical aspects of road traffic research[J]. Proceedings of the institution of civil engineers, 1952, 1(3): 325-362.

[2]WATLING D, HAZELTON M L. The dynamics and equilibria of day-to-day assignment models[J]. Networks and Spatial Economics, 2003, 3(3): 349-370.

[3]SHANG W L, HAN K, OCHIENG W. An agent-based day-to-day traffic evolution model using percolation theory[C]//Transportation research board 95th annual meeting. Washington, DC ，US:[s.n.],2016.

[4]WEI F F, JIA N, MA S F. Day-to-day traffic dynamics considering social interaction: From individual route choice behavior to a network flow model[J]. Transportation Research Part B:Methodological, 2016, 94: 335-354.

[5]劉詩序,陳文思,池其源,等. 彈性需求下的網絡交通流逐日動態演化[J]. 物理學報,2017,66(6):12-26.

[6]JIANG X L, TIAN L J. Evolution of day-to-day route choice behaviors under different memory-based learning strategies[EB/OL].[2017-04-12]. http://ascelibrary.org/doi/10.1061/9780784479896.120.

[7]ZHAO X M, OROSZ G. Nonlinear day-to-day traffic dynamics with driver experience delay: modeling, stability and bifurcation analysis[J]. Physica D: Nonlinear Phenomena, 2014, 275: 54-66.

[8]CONNORS R D, SUMALEE A. A network equilibrium model with travellers’ perception of stochastic travel times[J]. Transportation Research Part B: Methodological, 2009, 43(6): 614-624.

[9]AVINERI E. The effect of reference point on stochastic network equilibrium[J]. Transportation Science, 2006, 40(4): 409-420.

[10]GAO S, FREJINGER E, BEN-AKIVA M. Adaptive route choices in risky traffic networks: A prospect theory approach[J]. Transportation research part C: Emerging technologies, 2010, 18(5): 727-740.

[11]張楊,賈建民,黃慶. 城市交通中車輛擇路行為實證研究[J]. 管理科學學報,2007,22(5):78-85.

[12]徐紅利,于新蓮,周晶. 誘導信息下考慮路段容量退化的流量演化研究[J]. 管理科學學報,2015,18(7):39-47.

[13]WATLING D. Stability of the stochastic equilibrium assignment problem: a dynamical systems approach[J]. Transportation Research Part B: Methodological, 1999, 33(4): 281-312.